部署决策可靠性：用概化理论为长程Agent评测确定规模的框架

企业从业者阅读智能体排行榜时，仿佛它们在对智能体能力进行排序。我们在三个开放的Agent轨迹基准（TheAgentCompany、τ²-bench和AppWorld）上表明：Agent主效应在每个数据集和每种检查类型中占总方差不足3%，而Agent与任务的交互占7-23%。排行榜排的是专长化，而非能力。我们通过四侧面的概化理论（Generalizability Theory）方差分解得出这一结论，并用三种估计器（Henderson Method-I、经lme4的REML和贝叶斯二项GLMM）拟合，三者在小数点后三位一致。另外四项发现进一步揭示排行榜隐藏了什么。第一，总体可靠性在最难任务四分位上崩溃：τ² action_checks上的Eρ²从0.752跌至0.000。第二，训练格可靠性与留出格可靠性负相关（τ²上r=-0.90），意味着看起来最可靠的设计复制效果最差。第三，总体层面的诊断可跨企业基准迁移（能力差距比率稳定在0.35-0.40），但各Agent家族的排名会反转。第四，在MAST失败分类法上，轨迹层面的模式剖面是个性化的（MAE=0.261），而格层面的剖面可泛化（MAE=0.056，r=0.83）。我们将这些打包为Deployment Decision Reliability（DDR），一种一页式报告规范，把方差成分表转化为企业采购方可辩护的五项决策。所有代码、数据加载器和拟合产物均以开源许可发布。